Executive Summary

2026년 6월, 앤트로픽이 자사 AI의 출력 매출에 세금을 매겨 일자리 대체 비용을 충당하자고 제안했다. 보도에 따르면 그 세율은 3%다. 프런티어 AI 랩이 자기 매출에 과세하자고 나선 것도, 대응을 실업률 구간에 단계적으로 묶은 것도 처음이다. 정작 가장 적게 회자된 대목은 따로 있다. 보상이나 과세보다 앞서는 1단계가 '측정'이라는 점이다.

다리오 아모데이는 단순한 데이터 수집을 문제의 규모에 비해 시시하다고 무시하기 쉽지만, 현장에서 무슨 일이 벌어지는지 정확히 측정하지 못하면 좋은 정책을 얻을 수 없다고 적었다. 문제는 'AI 때문에 잘렸다'를 통계로 잡는 일이 거의 불가능에 가깝다는 데 있다. 2024년 한 추적기관이 AI에 직접 귀속한 실직은 약 1만 2,700건에 그쳤지만, 같은 시기 예측은 엔트리급 화이트칼라 일자리의 최대 절반이 사라질 수 있다고 경고했다.

예측과 실측 사이의 이 간극이 곧 측정의 난이도다. 그리고 측정되지 않는 실직은 어떤 보상에서도 빠진다. 누가 어떤 경로로 밀려났는지를 세지 못하면, 3% 토큰 택스로 걷은 돈을 어디에 쓸지조차 정의할 수 없다. 노동 정책의 전제가 윤리나 재정이 아니라 데이터의 품질과 출처로 돌아오는 자리다.

3%

AI 출력 매출 토큰 택스

앤트로픽 제안 (보도 기준)

4.3%

발표 시점 미국 실업률

1단계 트리거(5%) 미발동

~12,700건

2024년 AI 귀속 실직

예측(엔트리급 50%)과의 간극

$350M

일자리 연구·펠로십 기금

토큰 택스와는 별개 재원

1

프런티어 랩이 처음으로 실업률에 정책을 묶었다

6월 10~11일, 앤트로픽은 두 개의 공식 프레임워크와 다리오 아모데이의 에세이 "Policy on the AI Exponential"을 함께 내놨다. 가장 많이 인용된 대목은 'AI 출력 매출의 3% 토큰 택스'다. 언어모델이 출력을 생성할 때마다 발생하는 매출에 세금을 매기자는 발상으로, 아모데이 본인의 재정적 이익에 반한다는 점을 인정하면서도 합리적 해법이라고 표현했다. 다만 이는 정책 권고이지 아직 의회에 발의된 법안은 아니다.

토큰 택스보다 구조적으로 더 흥미로운 것은 대응을 실업률 구간에 단계적으로 묶었다는 점이다. 정책이 특정 숫자에 의해 켜진다면, 그 숫자를 누가 어떻게 잴 것인가가 먼저 정해져야 한다. 발표 시점 미국 실업률은 4.3%로, 첫 단계의 트리거인 5%에도 아직 닿지 않았다.

프레임워크는 그 대응을 실업률 약 5%, 약 10%, 그리고 전례 없는 영역의 세 구간으로 나누고, 구간이 깊어질수록 처방의 무게를 키운다. 데이터 수집에서 시작해 직접 지원을 거쳐 분배 구조의 재편으로 이어지는 순서다.

실업률 ~5%

1단계 · 데이터 수집

측정 확대, 고용유지 세액공제, 임금보험, 직업훈련 지원, 라이선싱 개혁.

실업률 ~10%

2단계 · 직접 지원

실업보험 확대, 섹터별 지원. 충격이 가시화된 구간의 완충 장치.

미증유 영역

3단계 · 구조 재편

기본소득(UBI), 주권펀드, 지분 공유 등 분배 구조 자체의 재설계.

세 단계의 순서가 곧 메시지다. 가장 무거운 처방인 분배 재편은 맨 뒤에 있고, 그 앞에 보상과 직접 지원이, 그 모든 것의 맨 앞에 측정이 놓인다.

2

1단계는 보상이 아니라 측정이다

3단계 프레임워크에서 1단계가 무엇으로 채워졌는지를 보면 제안자의 우선순위가 드러난다. 임금보험이나 고용유지 세액공제 같은 보상 장치도 1단계에 들어 있지만, 목록의 앞자리는 'AI로 인한 일자리 변화의 측정'이 차지한다. 아모데이는 정부가 AI 일자리 대체를 더 면밀히 추적하도록 경제 통계를 확장해야 한다고 주장했다.

"단순한 데이터 수집과 분석을 문제의 규모에 비해 부족하다고 일축하기는 쉽다. 그러나 현장에서 무슨 일이 벌어지고 있는지 정확히 측정하지 못한다면, 우리는 좋은 정책을 얻지 못할 가능성이 높다." 아모데이는 자사가 18개월간 운영해 온 Economic Index를 언급하면서도, 정부는 기업이 갖지 못한 종류의 데이터에 접근할 수 있다고 덧붙였다. 측정의 주체로 공공 통계를 지목한 것이다.

앤트로픽 CEO 다리오 아모데이 — AI 일자리 대체 측정을 1단계로 제안한 'Policy on the AI Exponential' 저자
▲ 다리오 아모데이, 앤트로픽 CEO — 측정을 정책의 1단계로 놓은 "Policy on the AI Exponential" 저자 | Source: Wikimedia Commons (CC BY-SA 4.0)

보상과 과세는 2단계와 3단계의 일이다. 그 앞에 측정이 있다는 배치는 단순한 절차 설명이 아니다. 무엇을 보상하고 어디에 과세할지를 정하려면, 먼저 무슨 일이 일어났는지를 숫자로 합의해야 한다는 전제를 깔고 있다.

3

'AI 때문에 잘렸다'를 데이터로 잡는 일

측정을 1단계에 두자는 주장은 옳다. 그런데 그 측정 자체가 노동 통계에서 가장 어려운 작업에 속한다. 핵심은 귀속 문제(attribution problem)다. 해고는 경기 침체, 구조조정, 오프쇼어링, 금리 같은 여러 원인이 뒤섞여 일어난다. 그 가운데 AI의 기여분만 따로 떼어 내는 일은 방법론적으로 매우 까다롭다. 늘어난 해고 건수만으로는 AI가 원인임을 입증할 수 없고, 귀속에는 기업 단위의 증거가 필요하다.

3.1한쪽 장부만 잡힌다

대체 추적기는 사라진 일자리만 센다. AI가 새로 만든 직무나 순고용 효과는 좀처럼 포착하지 못한다. 미국 노동통계국(BLS)도 한계를 스스로 인정했다. 자신들의 고용 투영 방법이 극단적으로 빠른 기술 변화를 포착하도록 설계되지 않았고, 기술 변화의 전반적 속도가 점진적이라고 가정한다는 것이다. 과거 데이터에 기반한 통계는 구조적으로 급변을 늦게 본다.

3.2예측과 실측의 간극

한 추적기관의 집계로 2024년 AI에 직접 귀속된 일자리 감소는 약 1만 2,700건이었다. 같은 시기 아모데이는 5년 안에 엔트리급 화이트칼라 일자리가 최대 절반까지 사라지고 실업률이 10~20%로 밀려 올라갈 수 있다고 경고했다. 예측은 절반을 말하는데 실측은 소수만 잡는다. 영향이 아직 다 나타나지 않아 사후 측정이 불가능하다는 점도 겹친다. 연구자들이 쓰는 대안은 관찰 기반 노출 같은 사전 예측 지표인데, 이는 '위험'의 추정이지 실현된 실직의 직접 측정은 아니다.

미국 실업률 U1~U6 측정 방식 비교 차트 — 어떤 측정 기준을 쓰느냐에 따라 실업률 수치가 크게 달라진다
▲ 미국 실업률 U1~U6: 같은 노동시장을 어떻게 측정하느냐에 따라 수치가 크게 갈린다. 정책 트리거에 사용할 지표를 어떻게 정의할 것인지가 선결 과제다. | Source: Wikimedia Commons (U.S. BLS, public domain)

예측치와 실측치의 이 거리가 곧 측정의 난이도다. 정책이 5%, 10% 같은 실업률 숫자에 트리거된다면, 바로 그 숫자가 AI의 영향을 신뢰할 만하게 반영하는지가 먼저 풀려야 한다. 트리거가 잘못 측정된 숫자라면, 정교한 단계 설계도 엉뚱한 시점에 작동한다.

4

측정되지 않는 실직은 정책의 대상이 되지 못한다

측정의 난이도는 추상적인 통계 문제로 끝나지 않는다. 보상하든 과세하든, 통계에 잡히지 않은 사람은 그 대상에서 빠진다. 누가 AI 때문에 밀려났는지를 세지 못하면, 토큰 택스로 걷은 돈을 어디에 쓸지부터 정의할 수 없다. 재원을 마련하는 메커니즘이 정교해도, 그 돈이 닿아야 할 사람을 식별하는 데이터가 없으면 분배는 작동하지 않는다.

미국 노동참여인구와 취업자 수 비교 (FRED/BLS) — 노동시장 데이터의 두 지표 간 간극이 정책 설계의 기반이 된다
▲ 민간 노동력(Civilian Labor Force)과 취업자 수(Employment Level), 2000~2021 — BLS 데이터로 포착된 두 지표 사이의 간극이 정책이 메워야 할 공간이다. | Source: Wikimedia Commons (FRED/BLS, public domain)

그래서 질문은 결국 데이터의 품질과 출처로 돌아온다. 어떤 직무가, 어떤 경로로, 어떤 시점에 사라졌는지의 이력(provenance)이 남아 있어야 한다. 해고의 원인이 AI인지 경기인지 구분하는 라벨, 사라진 직무와 새로 생긴 직무를 함께 보는 양면 장부, 빠른 변화를 늦지 않게 반영하는 갱신 주기. 이것들이 갖춰지지 않은 통계 위에서는 어떤 노동 정책도 모래 위에 선다.

같은 진단을 공유하면서 다른 처방을 내놓은 사례도 이미 나왔다. 비슷한 시기 버니 샌더스는 일정 규모 이상의 AI 기업 지분을 일회성으로 과세해 주권펀드를 만들자고 제안했다. 매출 기반의 토큰 택스와 강제 지분 이전은 메커니즘이 전혀 다르다. 그러나 둘 다 대규모 대체라는 같은 진단에서 출발하고, 둘 다 누가 얼마나 영향을 받았는지를 측정하는 단계를 건너뛸 수 없다는 점에서 같은 전제 위에 서 있다.

5

'데이터로 측정 가능한가'가 정책의 첫 질문이 되는 순간

이 사건의 의미는 3%라는 세율이나 350M 달러라는 기금 규모에 있지 않다. AI 시대 노동 정책의 출발점이 윤리적 당위나 재정 설계가 아니라 측정 가능성으로 옮겨갔다는 데 있다. 정책을 만들기 전에, 그 정책이 겨냥하는 현상이 신뢰할 수 있는 데이터로 잡히는지를 먼저 물어야 한다는 순서가 공개적으로 천명된 셈이다.

데이터를 다루는 사람에게 "이 현상은 믿을 만한 데이터로 잡히는가"는 익숙한 질문이다. 결측, 편향, 출처 불명, 라벨 오류를 점검하는 일은 분석의 일상이다. 앤트로픽의 제안이 보여 주는 것은, 바로 그 질문이 이제 노동 정책의 1번 문항이 됐다는 사실이다. 측정할 수 없는 것은 보상할 수 없고, 보상할 수 없는 것은 정책이 되지 못한다.

토큰 택스가 법안이 될지, 실업률 트리거가 실제로 작동할지는 아직 알 수 없다. 분명한 것은 그 모든 설계가 한 가지 전제 위에 서 있다는 점이다. AI가 누구를 어떻게 밀어냈는지를 데이터로 잡을 수 있어야 한다는 것. 정책의 야심이 클수록, 그 야심을 떠받치는 측정의 품질이 더 중요해진다.

?

FAQ

R

참고문헌

공식 문서

업계·보도

앤트로픽의 제안을 둘러싼 논의는 대부분 3%라는 숫자와 그 정치적 함의에 머물렀다. 그러나 정책을 작동하게 만드는 톱니바퀴는 그보다 한 칸 앞, 측정에 있다. 데이터를 다루는 자리에서 보면 익숙한 결론이다. 잴 수 없는 것은 다스릴 수 없다.

읽어주셔서 감사합니다. AI와 노동, 그리고 그 사이를 잇는 데이터에 대한 의견이나 질문이 있으시면 언제든 나눠 주세요.

(주)페블러스 데이터 커뮤니케이션팀
2026년 6월 27일